دانلود مقاله انگلیسی رایگان:بررسی مقایسه ای پارادایم های HPC و داده های بزرگ: تجزیه و تحلیل و آزمایشات

رمضان

کارابرن عزیز، مقالات isi بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi انتخاب گردیده اند. همچنین تمامی ترجمه ها دارای ضمانت کیفیت بوده و در صورت عدم رضایت کاربر مبلغ عینا عودت داده خواهد شد.

پشتیبانی
اپلیکشن اندروید
آرشیو مقالات
ورود اعضا
توجه توجه توجه !!!!
تمامی مقالات ترجمه شده ، انگلیسی و کتاب های این سایت با دقت تمام انتخاب شده اند. در انتخاب مقالات و کتاب ها پارامترهای جدید بودن، پر جستجو بودن، درخواست کاربران ، تعداد صفحات و ... لحاظ گردیده است. سعی بر این بوده بهترین مقالات در هر زمینه انتخاب و در اختیار شما کاربران عزیز قرار گیرد. ضمانت ما، کیفیت ماست.
نرم افزار winrar

از نرم افزار winrar برای باز کردن فایل های فشرده استفاده می شود. برای دانلود آن بر روی لینک زیر کلیک کنید
دانلود

پیوندهای کاربردی
پیوندهای مرتبط
دانلود مقاله انگلیسی داده های بزرگ رایگان
  • A Comparative Survey of the HPC and Big Data Paradigms: Analysis and Experiments A Comparative Survey of the HPC and Big Data Paradigms: Analysis and Experiments
    A Comparative Survey of the HPC and Big Data Paradigms: Analysis and Experiments

    سال انتشار:

    2016


    عنوان انگلیسی مقاله:

    A Comparative Survey of the HPC and Big Data Paradigms: Analysis and Experiments


    ترجمه فارسی عنوان مقاله:

    بررسی مقایسه ای پارادایم های HPC و داده های بزرگ: تجزیه و تحلیل و آزمایشات


    منبع:

    IEEE - 2016 IEEE International Conference on Cluster Computing


    نویسنده:

    HamidReza Asaadi, Dounia Khaldi and Barbara Chapman


    چکیده انگلیسی:

    Many scientific data analytic applications need huge amounts of input, which can often consist of more than several TBs of data. This emphasizes the high I/O and processing/computational cost requirements of these algorithms. Tasks in these programs can induce more I/O operations than computations or the opposite. Hardware also includes nodes with large storage devices and/or nodes with sophisticated computational capabilities. To embrace the heterogeneity of the hardware systems in non-cloud and cloud environments, the issues of resource and job allocation in these environments need to be revisited. HighPerformance Computing (HPC) models, under the leadership of MPI (plus OpenMP) parallel APIs, have mostly met users’ requirements in terms of high computational performance, while Big Data frameworks such as Spark have performed likewise in terms of high-level programming, resiliency and I/O handling. Therefore, in order to meet the specialized needs of scientists, there is a need for convergence between HPC and Big Data ecosystems. This paper presents a data-supported, comparative survey of the main current HPC and Big Data programming interfaces, namely MPI, OpenMP, PGAS (OpenSHMEM), Spark, and Hadoop, and their software stacks. A comprehensive experimental study of these interfaces on a set of benchmarks, namely reduction and I/O microbenchmarks, the StackExchange AnswersCount benchmark, and PageRank Benchmark has been performed on a single platform in order to achieve a fair comparison. These experiments lead to a thorough discussion about whether the envisioned convergence is indeed needed or not, efficient or not, and in particular whether it is the best solution to tackle future computational challenges.
    Keywords: Sparks | Big data | Programming | Electronics packaging | Data models | Software | Parallel processing


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 10
    حجم فایل: 635 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




آرشیو کامل مقالات

اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

این مقاله را در فیس بوک به اشتراک بگذارید این مقاله را در توییتر به اشتراک بگذارید این مقاله را در لینکداین به اشتراک بگذارید این مقاله را در گوگل پلاس به اشتراک بگذارید این مقاله را در زینگ به اشتراک بگذارید این مقاله را در تلگرام به اشتراک بگذارید

تعداد نظرات : 0

الزامی
الزامی
الزامی
داده-های-بزرگ
موضوعات
footer